Oscar Andrés Espinosa Acuña
En este artículo se ajustan dos modelos de Heterocedasticidad Condicional Generalizados (GARCH) para el índice financiero COLCAP. El primero, desde una perspectiva Clásica (o Frecuentista) estimando los parámetros mediante Máxima Verosimilitud y el segundo, a partir de un enfoque Bayesiano haciendo uso del algoritmo de Metropolis-Hastings. Para ambos casos se asumen las innovaciones con distribución t-Student. A partir de diferentes criterios de información, se observa una mejor representación desde la aproximación Bayesiana, sin llegar a ser tan contundente sobre el análisis Clásico.
In this article, it is fitted two Generalized Autoregressive Conditional Heteroskedasticity (GARCH) models to the Colcap financial index. One of them is analyzed using a Classical (or Frecuentist) procedure, whose parameters were estimated by maximum likelihood, and the other one is estimated via a Bayesian approach using the Metropolis-Hastings algorithm. Both models were estimated with Student-t innovation. By means of different information criteria, the estimated models by the bayesian and classic approaches are evaluated.